3.2. Структуры недемонстративной аргументации

До сих пор, говоря о недемонстративной аргументации, мы ограничивались простой констатацией, что заключения, на которых основывается она, имеют правдоподобный или вероятностный характер. Но сразу же возникают вопросы: о какой вероятности здесь идет речь? Почему наряду с термином “вероятность” мы используем также термин “правдоподобие”? Наконец, в какой мере можно считать вероятностное заключение специфической формой обоснования аргументации? Чтобы ответить на них, мы должны детальнее обсудить различные интерпретации категории вероятности и как она используется в различных логических структурах недемонстративной аргументации.

Классическая, статистическая и логическая вероятность

В самом широком смысле слова термин “вероятность” характеризует степень возможности события, явления или результата. Эта степень в простых случаях может быть определена чисто интуитивным путем, но уже в античном мире ученые стали более тщательно анализировать это понятие и сделали первые попытки для количественного измерения степени возможности различного класса массовых, повторяющихся случайных событий (кораблекрушений, пожаров и других неблагоприятных случаев). На этой основе была построена деятельность первых страховых обществ. Но никакой твердой теоретической базы тогда, конечно, не существовало для этого.

Элементы математической теории вероятностей впервые были построены в XVII веке, когда ученые обратились к анализу азартных игр. Эти игры, как известно, организованы таким образом, что шансы участников на выигрыш оказываются равновозможными. Так, при игре в кости игральная кость (представляющая собой тщательно изготовленный кубик, на каждой грани которого нанесены очки от 1 до 6) при подбрасывании вверх может упасть любой верхней гранью. Следовательно, выпадение каждой грани и соответственно очков от 1 до 6 будет одинаково возможным или равновероятным. Аналогично этому организованы игры в рулетку, карты и т.д. Во всех этих играх существует конечное число возможностей и осуществление каждой из них является равновозможной. Поэтому для численного определения вероятности события (выпадения очков, попадания шарика в сектор рулетки, получения карты и т.д.) необходимо подсчитать число равновозможных событий и число тех событий, которые благоприятствуют появлению ожидаемого события. Тогда отношение числа благоприятствующих событий к числу всех равновозможных и будет характеризовать вероятность интересующего нас события. Так, выпадение герба при бросании монеты будет ожидаться с вероятностью, равной 1/2, а 6 очков при бросании игральной кости — 1/6, поскольку в первом случае существуют две равные возможности, а во втором — шесть возможностей. В общем случае подобную вероятность можно вычислить по формуле: P =^m , где P — обозначает вероятность события, m — число случаев, благоприятствующих появлению события, а n — число всех равновозможных событий.

Такая интерпретация вероятности, основанная на анализе равновозможных или симметричных событий, складывающихся в азартных играх, получила название классической концепции вероятности и нашла свое завершение в трудах великого французского математика и астронома П.С.Лапласа. Однако подобный подход оказался ограниченным с точки зрения практического приложения и неудовлетворительным теоретически. В самом деле, равновозможность здесь совпадает с равновероятностью и поэтому при определении понятия вероятности возникает порочный круг. Но главный недостаток этого определения состоит в том, что симметричные исходы событий существуют лишь в специально организованных азартных играх либо в немногих других случаях. Тем не менее, в ходе аргументации иногда такой подход к оценке различных будущих действий может оказаться полезным, поскольку он опирается на оценку шансов.

На смену классической концепции впоследствии пришла статистическая, или частотная, интерпретация вероятности. Уже давно было замечено, что чем чаще повторяется событие, тем выше степень возможности его появления. Такие события стали называть массовыми, повторяющимися, случайными событиями, ибо они отличаются, во–первых, от регулярных, закономерно появляющихся событий. Во–вторых, они не являются единичными, уникальными событиями, о возможности которых можно было бы говорить по частоте их появления.

В основе новой статистической интерпретации вероятности лежит представление об относительной частоте появления массового случайного события, которая определяется при достаточно длительных наблюдениях или испытаниях. Так, медики могут выявить число заболевших гриппом среди различных групп населения и определить его относительную частоту, разделив это число на общее число людей в группе. Аналогично этому качество производимой продукции определяют путем деления числа бракованных изделий к общему их числу. Очевидно, что чем больше наблюдений или испытаний будет сделано, тем точнее будет относительная частота, а тем самым и вероятность появления массового, повторяющегося, случайного события. Хотя теоретическое понятие вероятности не совпадает с эмпирически определяемой относительной частотой, но в статистике обычно оно приравнивается к относительной частоте события при длительных наблюдениях. Важно также отметить, что статистическая вероятность характеризует не отдельное событие, а определенный класс событий. Ведь когда говорят о вероятности заболевания, то имеют в виду не отдельного человека, а соответствующую группу населения. То же самое следует сказать о бракованном изделии. Поскольку вероятность во всех таких случаях определяется через относительную частоту появления массового события, то об индивидуальном событии ничего подобного сказать нельзя, ибо оно не обладает частотой.

Статистическое понятие вероятности характеризует, следовательно, численное значение степени возможности появления массового случайного события при длительных эмпирических испытаниях и тем самым является объективным по своему содержанию. Оно отображает то, что происходит в реальном мире и не зависит от мнения субъекта. Именно поэтому оно получило такое широкое распространение в естествознании, технических и социально–гуманитарных науках.

В теории аргументации статистическая вероятность может быть использована во всех тех случаях, когда делаются предсказания на основе установления относительных частот появления событий и в разнообразных статистических выводах. Одним из важных способов аргументации в статистике является умозаключение от выборки, или образца к генеральной совокупности, или популяции. Если выборка из совокупности сделана с соблюдением необходимых требований, т.е. является репрезентативной, то на основании тщательного исследования ее можно с той или иной степенью вероятности утверждать, что выдвинутая гипотеза о генеральной совокупности будет справедливой. Такой подход аналогичен обычному индуктивному рассуждению, в котором на основе анализа некоторых членов класса предметов делается вероятностное заключение, что свойство, которым обладают исследованные члены класса, будет присуще всем членам класса. Но для характеристики индуктивных рассуждений обращаются к другой интерпретации вероятности, которую называют логической и индуктивной, а иногда, чтобы охватить все способы недемонстративных рассуждений, то просто правдоподобной, противопоставляя ее тем самым достоверно истинной аргументации.

Во всяком рассуждении существует определенная логическая связь между посылками и заключением. В дедуктивных умозаключениях, как мы видели, она выступает в виде логического следования заключения из посылок. Другими словами, если эти посылки истинны, а отношение между ними и заключением удовлетворяет правилам дедукции, то рассуждение и основанная на ней аргументация считается полностью обоснованной.

Совершенно другой характер имеет отношение между посылками и заключением индукции. Если в посылках содержится информация о некоторых исследованных членах определенного класса явлений, то она переносится на другие неисследованные члены, их группу или весь класс в целом. Ясно, что эта информация может оказаться и неверной относительно непроверенных членов класса и тем более всего класса. Таким образом, известная нам информация может служить только в качестве частичного обоснования индуктивного заключения.

Родовым понятием для подобного определения дедукции и индукции служит понятие обоснования, на которое опирается в конечном счете и аргументация. При дедукции достигается полное обоснование, при индукции – только частичное. Поэтому мы могли бы определить аргументацию как ту форму мышления, в которой выдвигаются определенные доводы, или аргументы, для обоснования или подтверждения некоторого утверждения, предположения или решения. Такого взгляда придерживаются многие современные авторы, например, Д.Чаффи в своем популярном руководстве “Мысля критически” [6, с. 415] или У.Греннан в обширном труде “Оценка аргументации” [7, с. 5]. Ввиду неопределенности термина “частичное обоснование” большинство авторов предпочитает говорить о степени подтверждения индуктивного заключения его данными, тем более что такая терминология является общепринятой в современной индуктивной логике [8. с. 83].

Первым, кто начал рассматривать отношение между посылками и заключением индукции, эмпирическими фактами и гипотезой как специфическое вероятностное отношение, был известный английский экономист Джон Мейнард Кейнс. Он считал, что такая вероятность имеет объективный характер, так как определяется не субъективной верой исследователя, а тем реальным отношением, которое существует между посылками и заключением индукции, а также между гипотезой и относящимися к ней данными. Однако Кейнс полагал, что вероятностное отношение такого рода не может быть точно сформулировано логически и поэтому постигается только интуитивно. Весьма острожную позицию он занимал и в отношении определения степени логической вероятности, считая, что только в немногих случаях она может быть выражена числом. Другой автор известной системы вероятной логики Г.Джеффрис, напротив, считал, что именно понятие логической вероятности является основополагающим не только для индукции и научных выводов, но и всей математической статистики. Более приемлемую и убедительную точку зрения высказывает Р.Карнап, который признает одинаково важными и самостоятельными как логическую, так и статистическую интерпретацию вероятности. В то время как статистическая интерпретация дает нам знание о реальных процессах, происходящих в мире, и рассматривает вероятность как относительную частоту при длительных наблюдениях массовых, повторяющихся, случайных событий, логическая вероятность характеризует мир нашего знания, в котором мы используем для подтверждения одних утверждений (заявлений, предположений, предсказаний, гипотез и решений) другие утверждения (эмпирические свидетельства, факты, показания и т.п. доводы).

Таким образом, логическая структура не только индуктивных рассуждений, но и умозаключений по аналогии, статистических выводов и других недемонстративных рассуждений в общей форме может быть охарактеризована с помощью понятия логической вероятности. В свою очередь логическая вероятность эксплицируется посредством понятия степени подтверждения предлагаемого утверждения или гипотезы всеми имеющимися в наличии релевантными высказываниями (посылками или аргументами). Подобно тому, как в дедуктивных рассуждениях мы непосредственно имеем дело не с реальными вещами и процессами, а высказываниями о них, так и в недедуктивных заключениях речь должна идти, с одной стороны, о высказывании, служащем гипотезой, мнением или решением, а с другой — о той совокупности высказываний, которые в той или степени подтверждают их. Поскольку всякое заключение недемонстративного рассуждения можно рассматривать как гипотезу, постольку ее можно представить в виде следующей формулы: P (H/E) = c, где P — обозначает вероятность, H — гипотезу, E — свидетельства, подтверждающие гипотезу и c — степень подтверждения, выраженная в виде числа.

В реальном процессе познания и аргументации дедуктивные и индуктивные, демонстративные и правдоподобные рассуждения выступают совместно. Поэтому их нельзя противопоставлять друг другу, но в то же время нельзя не видеть различия между их структурами. С помощью понятия логической вероятности раскрывается самая общая и специфическая особенность всех недемонстративных рассуждений с точки зрения характера их заключений. Поскольку такие рассуждения теснее связаны с эмпирическими науками и повседневными размышлениями, постольку мы сочли необходимым кратко коснуться также статистической и классической интерпретации вероятности. Это тем более необходимо потому, что на практике значительная часть эмпирической информации получается и анализируется посредством частотной, или статистической, вероятности. Обычно именно такая информация служит основанием для выдвижения гипотез и их последующей оценки с помощью логической вероятности.

Основные формы индуктивных рассуждений

Чтобы получить более конкретное представление о структуре логических структур недемонстративной аргументации, необходимо дополнить их общую характеристику, связанную с вероятностным типом их заключений, со специфической их логической формой. Ведь логическая форма индукции отличается от аналогии или статистических выводов. Математическая логика, будучи логикой дедуктивных рассуждений, почти не касалась этих вопросов, за исключением, быть может, попыток представить индуктивную логику в виде дедуктивно–аксиоматической системы. К сожалению, эти попытки нельзя считать вполне успешными и пока они мало что дают для аргументации.

Начиная с Аристотеля, в логике существовала традиция рассматривать индукцию как рассуждение, направленное от частного к общему. Такие частные случаи служили для наведения мысли на истину, хотя и не гарантировали чисто автоматическое достижение такой истины. Правда, в случае полной и математической индукции истинность заключения гарантировалась структурой этих умозаключений, которые на этом основании нередко относят к дедуктивным рассуждениям. Тем не менее, процесс рассуждения в них является типично индуктивным. В самом деле, в полной индукции исследование начинается с частных случаев и завершается тогда, когда не будут изучены все случаи, составляющие определенный класс предметов. Хотя при этом не достигается принципиально нового знания, все же суммирование информации, ее систематизация, целостный охват множества частных случаев в едином знании представляют собой первый шаг к интеграции знания. Нередко, особенно в процессе обучения, обращение к полной индукции оказывается полезным тогда, когда, например, приходится убеждать в справедливости общего утверждения путем разбора исчерпывающих его частных случаев.

Математическая индукция, хотя и считается специфической формой математического доказательства, но по характеру и процессу рассуждения отличается от обычного дедуктивного умозаключения. Действительно, она начинается с некоторого предположения, которое опирается на наблюдение некоторых частных случаев или примеров, связанных прямо или косвенно со свойствами ряда натуральных чисел. Затем, допуская, что предположение верно для некоторого случая, скажем, числа n доказывают, что оно верно и для последующего числа n + 1. Поскольку же это предположение было непосредственно проверено для некоторых чисел, например, 1, 2, 3, то на основе доказательства предположения, т.е. обоснованности перехода от n к n + 1, его переносят на все числа натурального ряда.

Большинство остальных форм индукции не приводят к достоверно истинным заключениям, поскольку их посылки лишь с той или иной степенью подтверждают или делают вероятным это заключение.

В зависимости от характера посылок и их релевантности к заключению различают множество различных видов индукции, начиная от индукции через простое перечисление случаев, или популярной индукции, и кончая так называемой научной индукцией. Мы здесь останавливаемся на популярной индукции потому, что, несмотря на низкую ее надежность, она широко используется в повседневных рассуждениях. Она начинается с простого перечисления случаев, которые обладают некоторым общим свойством, и пока не встретится противоречащий случай, индуктивное обобщение считается верным или обоснованным. Но, как правило, при этом в качестве общего свойства выделяется какое–либо второстепенное, поверхностное свойство, чаще всего бросающееся в глаза, а потому обобщение такого рода всегда подвержено риску. Традиционный и поучительный пример подобной индукции — обобщение, что все лебеди — белые. По–видимому, оно основывалось на наблюдениях окраски перьев этих птиц в Европе и сразу же оказалось опровергнутым после того, когда в Австралии были найдены черные лебеди.

Если в ходе аргументации обращаются к популярной индукции, то необходимо прежде всего установить, насколько существенным является тот признак, на основе которого делается обобщение, как он связан с другими более важными признаками исследуемых случаев. Ясно, что если бы была установлена связь между цветом перьев лебедей с более важными анатомо–физиологическими их признаками, влиянием на цвет климатических и иных условий, то такое поспешное обобщение сразу же было отвергнуто. Обычно эрудированному человеку не представляет большого труда опровергнуть аргументацию, основанную на популярной индукции.

Более надежными с точки зрения результатов являются энумеративная и элиминативная индукции. Чтобы повысить вероятность индуктивного обобщения, нередко частные случаи располагают в определенной последовательности, начиная от простейших и постепенно восходя к более сложным. Такой прием индукции Р.Декарт сравнивал с цепью, в которой мы можем ясно видеть связь между отдельными звеньями, но трудно охватить всю картину целиком. Энумеративная индукция должна помочь составить общее представление о взаимосвязи отдельных случаев и повысить вероятность заключения индукции на том основании, что ее посылками служат взаимосвязанные и упорядоченные высказывания.

Элиминативная индукции основывается на исключении случаев, свойства которых не согласуются с предполагаемым общим свойством. Этот метод широко применялся Ф.Бэконом и впоследствии был систематизирован Д.С.Миллем при установлении причинных связей между явлениями.

Метод сходства Милль считал целесообразным для анализа результатов наблюдения и выявления на их основе такого признака, который является общим для всех случаев и, таким образом, служит причиной возникновения действия или следствия. Поэтому в процессе аргументации, чтобы выявить предполагаемую причину, необходимо тщательно исследовать, как и чем отличаются различные явления друг от друга и в чем обнаруживается их сходство. Но до этого надо догадаться об общем, сходном их признаке, для чего требуется сформулировать вероятностное утверждение, которое можно подтвердить или опровергнуть в ходе наблюдения.

Метод различия требует исследования по крайней мере двух явлений, в одном из которых предполагаемый признак присутствует, а в другом – отсутствует. Путем наблюдения или эксперимента можно непосредственно проверить, что там, где признак присутствует, там возникает и следствие, и наоборот, при отсутствии признака следствие не наблюдается.

Метод сопутствующих изменений применяется тогда, когда невозможно рассматривать интересующие нас признаки обособленно ни путем наблюдения ни с помощью специально поставленного эксперимента. Поэтому выход здесь заключается в том, чтобы изучать соответствующие признаки совместно в процессе их изменения. Так, по нагреванию стержня можно судить об увеличении его размеров. Таким образом, нагревание здесь будет причиной, а его расширение — следствием первого явления.

Эти основные индуктивные методы установления простейших причинных зависимостей между явлениями можно по–разному комбинировать друг с другом, чтобы образовать более сложный метод, например, объединенный метод сходства и различия и т.п. Необходимо, однако, подчеркнуть, что все они являются элементарными методами, с помощью которых устанавливаются лишь причинные зависимости между эмпирически наблюдаемыми явлениями. Подлинные же научные законы требуют раскрытия более глубоких внутренних механизмов, которые управляют явлениями. А это связано с абстрагированием и образованием теоретических понятий, идеальных объектов, выдвижения и проверки гипотез. Так, индуктивно можно установить, что нагревание стержня приводит к его расширению, но объяснить это можно лишь с помощью более глубоких законов молекулярно–кинетической теории.

Все же в процессе аргументации приходится обращаться к перечисленным выше индуктивным методам, когда речь идет о выявлении связей между эмпирически наблюдаемыми явлениями в практических рассуждениях.

Умозаключения по аналогии

Аналогия сходна с индукцией, во–первых, по результату полученного из посылок заключения, которое имеет не достоверный, а только вероятный характер. Во–вторых, она также связана с переносом знания с одного явления или предмета, предварительно исследованного, на другие неисследованные случаи, вследствие чего и возникает неопределенность результата, оцениваемая вероятностью. В то же время аналогия существенно отличается от индукции по своей структуре. Если при индукции речь идет о переносе знания от исследованной части к неисследованной части и ко всему классу однородных вещей, явлений и событий, то при аналогии, как правило, устанавливается сходство между разнородными явлениями. В логике принято различать аналогию, основанную на сходстве свойств, с одной стороны, и одинаковости отношений, с другой.

В научном познании и технической практике широкое применение находит аналогия между моделью и ее оригиналом, или прототипом. Она строится с таким расчетом, чтобы модель отражала все наиболее существенные свойства и отношения своего прототипа. Преимущество такого подхода состоит в том, что модель исследовать значительно проще, чем прототип, в ряде же случаев последний исследовать непосредственно оказывается невозможным (химические процессы, ядерные реакторы, космические аппараты и т.п.). Идея моделирования основывается на аналогии или сходстве модели и прототипа, но она не ограничивается простой констатацией этой мысли, а опирается на тщательно разработанную теорию подобия. Именно на основе этой теории изготовляются модели самолетов, кораблей, гидростанций и других объектов, которые затем проверяются на прочность и надежность. Знание, полученное в результате всесторонней и основательной проверки модели, затем с соответствующими коррективами переносится на действительный объект, т.е. прототип модели. В последние годы все шире стало применяться математическое моделирование и основанный на нем вычислительный эксперимент. В отличие от вещественного, материального моделирования процессов при математическом моделировании исследуются зависимости, отображающие количественные связи и отношения между параметрами реальных процессов. Полученные на компьютере разные варианты затем сравниваются между собой и из них выбирается наиболее оптимальная модель, параметры которой сопоставляются с параметрами реальной системы, а если необходимо, то уточняются и исправляются, пока не будет достигнуто достаточное приближение к параметрам прототипа.

Вероятность заключения, основанного на аналогии, как и индукции, зависит от количества установленных у подобных предметов и явлений общих свойств и отношений, от того, насколько они существенны для них, от непредвзятости их выбора и некоторых других условий. В связи с этим различают строгую и нестрогую аналогию, которые различаются по степени их подтверждения.

Аналогия служит одним из важнейших средств эвристического поиска в особенности, когда она рассматривается вместе с моделированием. В сочетании с метафорами и художественным образами аналогия часто используется в ораторской речи, придавая ей особую убедительность, образность и доступность для восприятия слушателями. Но эти достоинства легко превращаются в недостатки, когда не соблюдаются границы ее применения, а тем более, когда аналогия оказывается ложной. Такие поверхностные аналогии, как уподобление общества живому организму, конфликтов и противоречий между людьми — с борьбой за существование, не раскрывают сути общественных процессов, их отличие от явлений, происходящих в органическом мире, а тем самым не приближают нас к истине, а уводят от нее.

Еще более тонкие различия приходится учитывать, когда заходит речь о границах применения той или иной аналогии. Так, первоначальная аналогия между работой мозга и вычислительной машины оказалась весьма полезной, поскольку привела к установлению важных результатов, но распространение ее за пределы реальных границ может привести к ошибочным выводам и стать тормозом для дальнейших исследований, направленных, с одной стороны, на раскрытие специфики деятельности мозга, а с другой — функционирования вычислительных машин.